MIT ve Stanford'dan araştırmacılar, yapay zeka destekli kontrol sistemlerinde çığır açacak bir çalışma yayınladı. Çoklu görev öğrenme (multitask learning) yaklaşımını kullanarak, tek bir kontrolörün birden fazla farklı sistemi aynı anda yönetebilmesini sağlayan yeni bir algoritma geliştirdiler.
Araştırma, Linear Kuadratik Gaussian (LQG) problemine odaklanıyor - bu, belirsizlik içeren sistemlerde optimal kontrol stratejileri geliştirmek için kullanılan temel bir matematiksel framework. Ekip, 'tarih-bağımlı yükseltme' adını verdikleri yenilikçi bir teknikle, karmaşık LQG problemini daha analiz edilebilir bir forma dönüştürüyor.
Sistemin en çarpıcı özelliği, farklı görevler arasındaki benzerlik ve farklılıkları 'bisimülasyon fonksiyonu' ile ölçmesi. Bu sayede, hangi görevlerin birlikte öğrenilebileceğini ve hangi durumlarda performans kaybı yaşanacağını öngörebiliyor.
Model-bağımsız öğrenme durumunda, çoklu görev yaklaşımının politika gradyan tahminindeki varyansı, eğitim setindeki görev sayısıyla orantılı olarak azalttığı kanıtlandı. Bu, sistemin daha az deneme yanılmayla daha iyi sonuçlar elde edebileceği anlamına geliyor.
Bu gelişme, robotik, otonom araçlar ve akıllı üretim sistemleri gibi alanlarda geniş uygulama potansiyeline sahip.